論文の概要: Moirae: A Multimodal Agent Collaborative Framework for Dynamic Android Malware Detection

• arxiv url: http://arxiv.org/abs/2608.27994v1
• Date: Fri, 28 Aug 2026 07:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.233873
• Title: Moirae: A Multimodal Agent Collaborative Framework for Dynamic Android Malware Detection
• Title（参考訳）: Moirae: 動的Androidマルウェア検出のためのマルチモーダルエージェントコラボレーションフレームワーク
• Abstract要約: 動的Androidマルウェア検出のための協調フレームワークであるsysnameを提案する。 sysnameはマルチモーダルランタイムのエビデンスを収集し、補完的な振る舞いのビューを分析するために特殊なエージェントを使用する。 時間的にも分布的にも見えないデータセットの実験では、sysnameは微調整なしで90.06%の精度を達成している。
• 参考スコア（独自算出の注目度）: 11.680850513898557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Android ecosystem faces persistent and rapidly evolving malware threats. Existing machine learning detectors are vulnerable to concept drift because they rely on implementation-specific features whose distributions change over time. Large language models (LLMs) offer strong semantic understanding and zero-shot reasoning, but current LLM-based detectors typically depend on code-centric or single-dimensional evidence, making them susceptible to obfuscation and limiting comprehensive behavior analysis. We present {\sysname}, a multimodal agent collaborative framework for dynamic Android malware detection. {\sysname} dynamically collects multimodal runtime evidence and employs ReAct-based specialized agents to analyze complementary behavioral views. The detection process begins by identifying visual deception cues, modeling UI state transitions, and integrating runtime API behaviors to fuse multi-dimensional evidence across user-visible interfaces and hidden backend operations. Experiments on temporally and distributionally unseen datasets show that {\sysname} achieves an accuracy of 90.06\% without fine-tuning, outperforming state-of-the-art baselines and demonstrating strong zero-shot generalization against Android malware concept drift.
• Abstract（参考訳）: Androidエコシステムは、永続的で急速に進化するマルウェアの脅威に直面している。 既存の機械学習検出器は、時間とともに分散が変化する実装固有の機能に依存するため、コンセプトドリフトに対して脆弱である。 大規模言語モデル(LLM)は強い意味理解とゼロショット推論を提供するが、現在のLLMベースの検出器は典型的にはコード中心または単一次元の証拠に依存しており、難読化や包括的行動解析の制限を受けやすい。 動的Androidマルウェア検出のためのマルチモーダルエージェント協調フレームワークである {\sysname} を提案する。 {\sysnameは動的にマルチモーダルランタイムエビデンスを収集し、ReActベースの特殊エージェントを使用して補完的な振る舞いのビューを分析する。 検出プロセスは、視覚的な騙しの手がかりを特定し、UI状態遷移をモデル化し、実行時のAPI動作を統合して、ユーザ可視のインターフェースと隠れたバックエンド操作に多次元のエビデンスを融合することから始まります。 時間的にも分布的にも見当たらないデータセットの実験では、csysnameは微調整なしで90.06\%の精度を達成し、最先端のベースラインを上回り、Androidのマルウェアコンセプトのドリフトに対して強力なゼロショットの一般化を示す。

関連論文リスト

• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• McNdroid: A Longitudinal Multimodal Benchmark for Robust Drift Detection in Android Malware [24.533722488674943]
  McNdroidは、マルウェア検出とドリフト分析のための、過去最大規模のマルチモーダルAndroidマルウェアベンチマークである。 テスト時間ギャップの増大にともなう標準MLおよびディープラーニング検出器の評価を行った。 我々は、モデル説明におけるモダリティ固有のドリフト、マルウェアの進化、時間的変化を分析した。
  論文  参考訳（メタデータ） (2026-05-07T19:53:24Z)
• MARD: A Multi-Agent Framework for Robust Android Malware Detection [9.71096001926758]
  MARDは、堅牢なAndroidマルウェア検出のためのマルチエージェントフレームワークである。 LLMの意味的理解と従来の静的解析のギャップを埋める。 F1スコアは93.46%で、ドメイン固有の微調整はない。
  論文  参考訳（メタデータ） (2026-04-28T06:21:49Z)
• QUACK! Making the (Rubber) Ducky Talk: A Systematic Study of Keystroke Dynamics for HID Injection Detection [60.105690843777666]
  我々は、タイミング機能のみで動作する軽量モデルを使用して、堅牢でプライバシー保護の検知が達成可能であることを示す。 分析の結果,攻撃者の高度化は単調に回避を改善できないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-17T08:53:24Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Zero-shot HOI Detection with MLLM-based Detector-agnostic Interaction Recognition [71.5328300638085]
  Zero-shot Human-Object Interaction (HOI) は、画像中の人間と物体を特定し、その相互作用を認識することを目的としている。 2段階法を含む既存の手法は、特定の検出器との相互作用認識を密に結合する。 本稿では、オブジェクト検出をIRから分離し、マルチモーダル大言語モデル(MLLM)をゼロショットIRに活用する分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T19:01:31Z)
• GhostEI-Bench: Do Mobile Agents Resilience to Environmental Injection in Dynamic On-Device Environments? [30.170538068791263]
  VLM(Vision-Language Models)は,モバイルグラフィカルユーザインターフェース(GUI)をナビゲートする自律エージェントとして,ますます普及している。 環境注入は、GUIに直接敵のUI要素を挿入することで、エージェントの視覚的知覚を損なう。 GhostEI-Benchは、動的に実行可能な環境で環境注入攻撃を受けるモバイルエージェントを評価するための最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-10-23T08:33:24Z)
• DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
  タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。 そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
  論文  参考訳（メタデータ） (2025-09-15T10:59:57Z)
• DMLDroid: Deep Multimodal Fusion Framework for Android Malware Detection with Resilience to Code Obfuscation and Adversarial Perturbations [1.3792857294744785]
  マルチモーダル融合に基づくAndroidマルウェア検出システムDMLDroidを提案する。 我々は,異なる融合戦略を用いて,各特徴と組み合わせて,個別に徹底的な実験を行う。 この発見は,Androidのマルウェアの脅威に対する検出精度と堅牢性の両方を改善する上で,マルチモーダル融合の利点を強調した。
  論文  参考訳（メタデータ） (2025-09-14T09:32:27Z)
• PARIS: A Practical, Adaptive Trace-Fetching and Real-Time Malicious Behavior Detection System [6.068607290592521]
  本稿では,適応的トレースフェッチ,軽量かつリアルタイムな悪意ある行動検出システムを提案する。 具体的には、Event Tracing for Windows (ETW)で悪意ある振る舞いを監視し、悪意のあるAPIやコールスタックを選択的に収集することを学ぶ。 その結果、より広い範囲のAPIを監視し、より複雑な攻撃行動を検出することができる。
  論文  参考訳（メタデータ） (2024-11-02T14:52:04Z)
• MASKDROID: Robust Android Malware Detection with Masked Graph Representations [56.09270390096083]
  マルウェアを識別する強力な識別能力を持つ強力な検出器MASKDROIDを提案する。 我々は、グラフニューラルネットワークベースのフレームワークにマスキング機構を導入し、MASKDROIDに入力グラフ全体の復元を強制する。 この戦略により、モデルは悪意のあるセマンティクスを理解し、より安定した表現を学習し、敵攻撃に対する堅牢性を高めることができる。
  論文  参考訳（メタデータ） (2024-09-29T07:22:47Z)
• AppPoet: Large Language Model based Android malware detection via multi-view prompt engineering [1.3197408989895103]
  AppPoetは、Androidマルウェア検出のためのマルチビューシステムである。 本手法は, 検出精度97.15%, F1スコア97.21%であり, ベースライン法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-29T15:52:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。